Kursplan

Introduktion till industriell Computer Vision

  • Översikt över maskinvisionssystem i tillverkning
  • Vanliga defekter: sprickor, repor, feljusteringar, saknade komponenter
  • AI vs traditionell regelbaserad visuell inspektion

Bildinsamling och förbehandling

  • Kameratyper och inställningar för bildinspelning
  • Minskning av brus, kontrastförstärkning och normalisering
  • Datatillväxt för träningens robusthet

Tekniker för objektdetektion och segmentering

  • Klassiska metoder (tröskelvärdesbestämning, kantdetektion, konturer)
  • Djupinlärningsmetoder: CNNs, U-Net, YOLO
  • Val mellan detektion, klassificering och segmentering

Utveckling av defektdetektionmodeller

  • Förberedelse av annoterade dataset
  • Träning av defektklassificerare och segmenterare
  • Modellutvärdering: precision, recall, F1-score

Implementation i industriella miljöer

  • Hårdvaruöverväganden: GPUs, kantenheter, industriella datorer
  • Arkitektur för inspektionspipeline i realtid
  • Integration med PLC och fabriksautomatiseringssystem

Prestandajustering och underhåll

  • Hantering av förändrad belysning och produktionsförhållanden
  • Modellretraining och kontinuerligt lärande
  • Integriering av varningar, loggning och QA-rapportering

Fallstudier och tillämpningar inom området

  • Defektdetektion i bilsammanställning och svetsning
  • Ytinspektion inom elektronik och halvledare
  • Kontroll av etiketter och förpackningar inom läkemedel och livsmedel

Sammanfattning och nästa steg

Krav

  • Erfarenhet av maskininlärning eller datorseende-koncept
  • Bekanthet med Python programmering
  • Grundläggande förståelse för kvalitetskontroll eller industriell automation

Målgrupp

  • QA-team
  • Automatiseringsingenjörer
  • Datorseendesutvecklare
 14 timmar

Antal deltagare


Price per participant

Upcoming Courses

Relaterade Kategorier